第 3 章：短期记忆 | Knowledge Notes

短期记忆是同一对话 thread 的 Agent state 持久化，不是模型自己的记忆。给 create_agent 传 checkpointer=InMemorySaver()，每次调用传相同 config={"configurable": {"thread_id": "..."}}，第二轮就会恢复第一轮写入的 messages 和中间工具消息。

agent = create_agent(model, tools=[...], checkpointer=InMemorySaver())
config = {"configurable": {"thread_id": "lesson-memory-1"}}
await agent.ainvoke({"messages": [("user", "我叫小王")]}, config=config)
await agent.ainvoke({"messages": [("user", "我叫什么？")]}, config=config)

项目	边界
state / checkpoint	当前 thread 的 messages、工具调用、结构化结果；可恢复、可检查
`thread_id`	checkpoint 的会话键，必须稳定且由服务端授权，不能直接信任任意客户端值
context	本次运行依赖；不会因 `thread_id` 自动持久化
Store	跨 thread 长期数据；不是短期聊天历史的替代品

InMemorySaver 仅适合本地学习和测试，进程退出即丢失。生产选择持久 checkpointer 并制定删除/保留策略。运行 07_short_term_memory.py 会发起两次短模型调用；第二次的问题必须引用第一轮名称。

当前项目第 7 章讲解同一机制。deep_researcher 的 messages 属于 AgentState，调用方可用 thread config 恢复执行；Configuration 属于 Runtime.context，不应改放 checkpoint。

相关资源

查看示例代码：docs/langchain/examples/07_short_term_memory.py

"""Chapter 3: retain one conversation with a checkpoint and thread id."""

import asyncio

from dotenv import load_dotenv
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langgraph.checkpoint.memory import InMemorySaver

from open_deep_research.configuration import Configuration


load_dotenv()


async def main() -> None:
    settings = Configuration.from_env()
    agent = create_agent(
        init_chat_model(model=settings.research_model, max_tokens=80),
        system_prompt="回答简洁。只能根据本次对话中已知的事实回答。",
        checkpointer=InMemorySaver(),
    )
    config = {"configurable": {"thread_id": "lesson-short-memory"}}
    await agent.ainvoke(
        {"messages": [("user", "请记住：我叫小王。只回答已记住。 ")]},
        config=config,
    )
    result = await agent.ainvoke(
        {"messages": [("user", "我叫什么？只输出名字。")]}, config=config
    )
    answer = result["messages"][-1].content
    assert "小王" in str(answer), answer
    print(f"第二轮回答: {answer}")


if __name__ == "__main__":
    asyncio.run(main())